智能风电风功率预测系统技术方案

本发明专利技术提供了一种智能风电风功率预测系统，包含以下模块，中尺度数值模拟模块：根据天气气候特征集合风电场实际需求，对风功率进行预测，微尺度数值模拟模块：将所述中尺度数值模拟系统得到的风功率预测结果进行降尺度处理，发电量物理计算模块：通过所述微尺度数值模拟模块中产生的风廓线结果计算出个机位的发电量，误差校正统计模块：通过分析计算预测结果与实际发电量之间的误差，建立误差矫正模型。本发明专利技术可以实现短期和超短期多模式、多尺度风功率预报、融合数值天气预报的风速/风功率预报、风电一体化平抑控制以及风功率曲线上报优化策略等功能。

【技术实现步骤摘要】

本专利技术涉及发电
，特别是一种智能风电风功率预测系统。
技术介绍
风力发电属于可再生能源，清洁能源。风力发电是风能利用的重要形式，风能是可再生、无污染、能量大、前景广的能源。风电技术装备是风电产业的重要组成部分，也是风电产业发展的基础和保障。目前中国的风电并网装机规模世界第一，2012年年底风电并网装机超过6000万千瓦，发电量超过1000亿千瓦时，成为继火电、水电之后的我国第三大电源。全球风电发展迅速，已有70多个国家建有商业运营风电场。2011年底全球风电装机达到2.38亿千瓦，当年新增4000万千瓦。在欧洲风电占到电力供应的6％，丹麦风电占到本国的28％，西班牙占到16％。欧洲提出2020年风电装机达到2.3亿千瓦，德国提出2020年可再生能源发电占到电力消费35％，其中50％来自风电。中国风电在经历了连续数年高速增长后，开始面临瓶颈，发展速度放缓。“十二五”期间，我国风电产业将迎来结构调整的重要机遇。风电功率具有较强的波动性和间歇性，大规模风电场接入电网后，将对电网的潮流分布、调度方式、电网稳定、无功补偿和电网调峰调频等带来重大影响。对风电场风电功率进行准确的预测，有利于电网调度部门及时掌握风电场功率输出情况，及时调整调度计划，对可能存在的风险及时处理，提高电网运行的安全性，避免风功率大范围波动造成的安全事故。风功率预报子系统的主要是实现短期和超短期多模式、多尺度风功率预报、融合数值天气预报的风速\\风功率预报、风电一体化平抑控制以及风功率曲线上报优化策略等功能。风力发电机作为风电场的动力核心，其安全、稳定、高效运行对整个风电场的运营至关重要。为了提高风电场的信息化管理水平和故障实时监测和维护能力，建立风力发电机实时早期预警和故障诊断分析系统同样意义重大。故障诊断与分析系统主要是实现风机运行中的早期预警、建立故障诊断辅助分析系统、建立案例库和实现基于案例的故障诊断。公开号为CN103389388A的专利技术专利申请公开了一种风电场风速预测方法及其装置和功率预测方法及其系统，该风电场风速预测方法，包括：获取风电场中各风电机组所在位置的空间坐标；获取风电场所在区域的地形特征参数；获取预设时间段内风电场区域的风速时间序列值；将各风电机组所在位置的空间坐标和地形特征参数作为控制参数，将预设时间段内风电场区域的风速时间序列值作为条件参数，采用预先建立的风电场物理模型计算出预设时间段内各风电机组所在位置的风速时间序列值，并显示。该方法虽然能够通过风速计算出风电场的功率，但是缺乏对于短时间风电场的功率预测，容易出现误差。
技术实现思路
为了解决上述问题，本专利技术提供的智能风电风功率预测系统，采用多尺度模型的方法，将多尺度数据与测风塔数据相结合，加上我们独有的超短期预报模型，使超短期预报的精度高达95％以上。如果测风塔的数据缺失或中断，系统自动启用风机SCADA数据和中尺度数据预报方案确保预报质量稳定。本专利技术提供一种智能风电风功率预测系统，包含以下模块：中尺度数值模拟模块：根据天气气候特征集合风电场实际需求，对风功率进行预测；微尺度数值模拟模块：将所述中尺度数值模拟系统得到的风功率预测结果进行降尺度处理；发电量物理计算模块：通过所述微尺度数值模拟模块中产生的风廓线结果计算出个机位的发电量；误差校正统计模块：通过分析计算预测结果与实际发电量之间的误差，建立误差矫正模型。优选的是，所述中尺度数值是指在第一时间阈值内采集到的数值。在上述方案中优选的是，所述第一时间阈值的单位为周、月、季度和年中至少一种。在上述方案中优选的是，所述降尺度是指将采集时间缩短至第二时间阈值内。在上述方案中优选的是，所述第二时间阈值的单位为秒、分、小时和天中至少一种。在上述方案中优选的是，所述中尺度数值模拟模块和微尺度数值模拟模块采用多模式预报模型和多尺度预报模型对风速进行预测。在上述方案中优选的是，所述多模式预报模型是指对于不同地形条件，不同天气模式、不同季节、以及白天和晚上分别建立不同的预报模型，然后通过一定的融合策略来集成不同模型的预报结果，最终达到提高预报精度的目标。在上述方案中优选的是，所述多尺度预报模型包括基于统计预报模型的短期风速多尺度预报模型和融合数值天气预报(NWP)的日前风速多尺度预报模型。在上述方案中优选的是，所述基于统计预报模型的短期风速多尺度预报模型是指首先将原始风速信号分解成不同频率的子序列，分析各子序列的自相关性，确定各子序列的多步预测长度，将具有不同预测长度的各层预测结果进行最后的合成，给出最终的预测结果进行输出。在上述方案中优选的是，所述融合数值天气预报(NWP)的日前风速多尺度预报模型是指在一定的尺度内，风速预报的结果从NWP和统计方法获得有效信息，而超出统计预报方法的预报尺度后，风速预报的结果主要依赖数值天气预报。该融合预报模型的数学表达式如下：v＝w1v1+w2v2式中v是最终的日前风速预报结果，v1、v2分别为统计预报模型及数值天气预报模型的风速预报结果；w1、w2为融合加权时v1、v2对应的权值。在上述方案中优选的是，在进行数据融合时，如果预报尺度小于等于第二时间阈值，则给统计预报模型和数值天气预报模型分配不同的权重，用于计算预报结果。在上述方案中优选的是，在进行数据融合时，如果预报尺度大于第二时间阈值，则所述预报结果仅仅由数值天气预报模型得到。在上述方案中优选的是，所述数值天气预报(NWP)是根据当地天气情况，在时均意义下用湍流模型来封闭方程组，并在初始条件和边界条件下求解大气基本方程组，预报未来时刻的大气状态，得到风速预测值。在上述方案中优选的是，评估所述发电能力的方法是使用SCADA系统中的状态变量来产生一个全局健康变量，以及时评估风机的发电能力衰退。在上述方案中优选的是，评估所述发电能力的方法是选取与风机发电性能相关的变量，依据风机功率曲线在切入风速和最大风速之间的分段关系建立多工况混合模型，将对模型参数变化的评估转化为风机发电性能的评估，并将评估结果依时序外延、产生相应的预测结果。在上述方案中优选的是，所述变量包括发电功率、风速、风向和浆距角中至少一种。在上述方案中优选的是，所述全局健康变量的计算过程中，首先进行数据的过滤、分割和归一化，然后基于专家知识从SCADA的多个变量中选取与功率曲线分析相关的参数，输入多工况建模算法，如高斯混合模型(GMM)、自组织图(SOM)、神经元网络(NN)等，再使用相对应的距离算法计算出评估性能差异的模型距离值，如L2、MQE和残差分析。在上述方案中优选的是，所述全局健康变量计算的步骤如下：步骤01：计算训练数据与测试数据的高斯混合模型；步骤02：计算两个混合模型之间的L2距离：步骤03：计算作为健康指标的confidencevalue(CV)：CV为0至1之间的连续值，1表示测试数据分布完完全与训练数据分布重合，随着系统之间衰退，测试数据分布逐渐偏移，两个分布的重叠部分逐渐减小，CV示数也随之减小。在上述方案中优选的是，所述步骤1包括：训练数据：测试数据：在上述方案中优选的是，所述误差矫正模型用于调整并优化所述多模式预报模型，使其逐渐适合当地的风力发电实际情况。上述智能风电风功率预测系统主要是实现短期和超短期多模式、多尺度风功率预报、融合数值本文档来自技高网...

【技术保护点】
智能风电风功率预测系统，包含以下模块：中尺度数值模拟模块：根据天气气候特征集合风电场实际需求，对风功率进行预测；微尺度数值模拟模块：将所述中尺度数值模拟系统得到的风功率预测结果进行降尺度处理；发电量物理计算模块：通过所述微尺度数值模拟模块中产生的风廓线结果计算出个机位的发电量；误差校正统计模块：通过分析计算预测结果与实际发电量之间的误差，建立误差矫正模型。

【技术特征摘要】
1.智能风电风功率预测系统，包含以下模块：中尺度数值模拟模块：根据天气气候特征集合风电场实际需求，对风功率进行预测；微尺度数值模拟模块：将所述中尺度数值模拟系统得到的风功率预测结果进行降尺度处理；发电量物理计算模块：通过所述微尺度数值模拟模块中产生的风廓线结果计算出个机位的发电量；误差校正统计模块：通过分析计算预测结果与实际发电量之间的误差，建立误差矫正模型。2.如权利要求1所述的智能风电风功率预测系统，其特征在于：所述中尺度数值是指在第一时间阈值内采集到的数值。3.如权利要求2所述的智能风电风功率预测系统，其特征在于：所述第一时间阈值的单位为周、月、季度和年中至少一种。4.如权利要求1所述的智能风电风功率预测系统，其特征在于：所述降尺度是指将采集时间缩短至第二时间阈值内。5.如权利要求4所述的智能风电风功率预测系统，其特征在于：所述第二时间阈值的单位为秒、分、小时和天中至少一种。6.如权利要求1所述的智能风电风功率预测系统，其特征在于：所述中尺度数值模拟模块和微尺度数值模拟模块采用多模式预报模型和多尺度预报模型对风速进行预测。7.如权利要求6所述的智能风电风功率预测系统，其特征在于：所述多模式预报模型是指对于不同地形...

【专利技术属性】
技术研发人员：梁轶，李翕含，刘鑫，
申请(专利权)人：塞壬智能科技北京有限公司，
类型：发明
国别省市：北京;11